AAAI2019《圖表示學習》Tutorial，180頁PPT 帶你從入門到精通

新智元推薦

來源：專知(Quan_zhuanzhi)

【新智元導讀】圖神經網路GNN是最近特別火的一個深度學習方向。本文帶來AAAI-19Tutorial的《圖表示學習》180頁PPT，全面概述圖表示學習的當前進展，非常乾貨！

圖表示學習，是 2018 年火爆全球的一個深度學習方向，從以 Line, meta-path 等為首的節點表示學習，到以 GCN，GraphSAGE，為首的圖卷積方法，在到近期的以 GraphVAE 為首的生成圖模型，圖表示學習方向的文章如過江之鯽。

在最近的 AAAI 2019 Tutorial 環節，來自 Facebook AI Research 的William Hamilton和加拿大蒙特利爾演算法研究所的Jian Tang跟大家交流了圖表示學習的當前進展。

報告簡介

圖上的機器學習，是一項很重要且普遍存在的任務，無論是社交網路上的朋友推薦還是化學藥物上的分子式的鏈接，都能從中獲益。

目前這個領域的主要挑戰是找到一種方法來表示或者編碼圖的結構，以便機器學習模型能夠輕鬆利用它們。

傳統的機器學習方法依賴於用戶定義的啟發式模型來提取關於圖的結構信息的特徵編碼 (例如，度統計或核函數)。然而，近年來，使用基於深度學習和非線性降維的技術，自動學習將圖形結構編碼為低維嵌入的方法激增。

在本教程中，我們將對圖表示學習領域的主要進展進行技術介紹，包括基於矩陣分解的方法、基於隨機遊走的演算法、圖神經網路和圖生成模型。在此過程中，我們開發了一個統一的框架來描述這些最新的方法，並強調了涉及大規模社會和生物網路的實際應用。

報告人簡介

William Hamilton

Facebook AI Research

Jian Tang

Montreal Institute for Learning Algorithms

Jian Tang 目前是加拿大蒙特利爾演算法研究所（Montreal Institute for Learning Algorithms ）和 HEC Montreal 的助理教授. 2014 年博士畢業於北京大學，2014-2016 在任微軟研究院研究員，2016-2017 年在密歇根大學和卡內基梅隆大學做博士後。

報告內容簡介

【節點表示學習】

【圖神經網路】

【圖生成模型】

【未來方向】

180頁PPT下載：

https://pan.baidu.com/s/1hRjm1nbMcj4_ynZ0niE2JA

【加入社群】

新智元AI技術 產業社群招募中，歡迎對AI技術 產業落地感興趣的同學，加小助手微信號：aiera2015_2入群;通過審核後我們將邀請進群，加入社群後務必修改群備註（姓名 - 公司 - 職位;專業群審核較嚴，敬請諒解）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！